一种深度学习和数字考古学的方法来发现蚊虫驱虫剂的发现
Jennifer N Wei1, Carlos Ruiz2, Marnix Vlot3
1Google Research, Brain Team, Cambridge, MA, USA.
Chemical senses
|July 2, 2025
概括
研究人员开发了一种机器学习方法,以发现新的驱虫剂. 这种方法确定了10多种有效分子,为对抗昆虫传播疾病提供了有前途的解决方案.
科学领域:
- 计算化学是一种计算化学.
- 神经科学是一个神经科学.
- 药物发现 药物发现
背景情况:
- 昆虫传播的疾病每年造成超过50万人的死亡.
- 现有的驱逐剂在有效性,适用性和安全性方面存在局限性.
- 新型排斥剂的发现对全球健康至关重要.
研究的目的:
- 开发一种机器学习驱动的高吞吐量方法,用于发现新型驱逐分子.
- 为了确定有效的驱虫剂对多种昆虫载体.
- 探索驱逐作用的神经基础.
主要方法:
- 数字化了一个数据集~19,000蚊虫驱逐力测量.
- 训练了一个图形神经网络 (GNN) 来预测分子排斥.
- 在行为测试和人类志愿者试验中测试了候选分子.
- 分析了蚊子天线叶中的神经反应.
主要成果:
- 该GNN方法的性能优于传统的化学信息模型.
- 识别了超过10个具有与当前标准相等或超过排斥力的分子.
- 在蚊子嗅觉叶中发现了对有效驱蚊剂的强烈神经反应.
- 证明了GNN预测和神经反应之间的相关性.
结论:
- 机器学习,特别是GNN,加速了新型昆虫驱虫剂的发现.
- 这种方法可以对庞大的化学库进行选,以寻找有效的驱逐剂候选物.
- 这些发现有助于解决昆虫传播疾病的全球健康挑战.
